简介:摘要作为新型靶点的RET基因近两年打破了治疗僵局,靶向药物不断获批并快速纳入治疗指南,为非小细胞肺癌患者的生存带来了更多的希望。而RET基因出现一些有驱动细胞癌变的融合变异才被认为是原癌基因,本文综述了RET基因的生物学特性、肺癌中RET融合的分类以及RET融合的检测方法;并进一步讨论RET融合肺癌的病理及临床特征,RET融合肺癌的药物治疗,以及RET融合对耐药和预后的提示作用。
简介:随着现代信息技术的发展和教育教学理念的转变,基于网络和多媒体的"虚拟"学习环境已经被人们熟悉并部分取代基于课堂的"现实"学习环境。虚拟和现实的学习环境各有利弊,前者有利于学习者使用丰富的数字化资源开展跨地域的协作学习、拓宽知识视野,后者有利于学习者的临场体验和实际操作能力培养。在分析相关文献和现有学习环境特征研究的基础上,分析了"虚实融合学习环境"的内涵与特征,对虚拟、现实以及虚实融合的学习环境进行比较,并就若干典型的虚实融合学习环境及其教学应用情况进行了分析,其中包括:校园环境信息观测与研究性学习、GLOBE全球性学习与观察、虚实融合的机器人教育、数字化探究实验室。
简介:针对单一特征步态识别率低的问题,提出一种将步态能量图(GaitEnergyImage,GEI)中动态部分和Gabor小波特征融合的步态识别算法.首先,通过运动目标检测及二值化和形态学处理等预处理操作得到步态轮廓图,再进一步从步态轮廓图计算得到步态能量图,并从中分割出动态部分.然后,利用Gabor小波从步态能量图的动态部分中提取不同角度的信息,将两步态特征融合在一起,对融合后得到的特征向量用改进的KPCA方法进行降维.最后,将降维后的融合特征向量输入到基于多分类的支持向量机(SupportVectorMachine,SVM)中,从而完成步态的分类和识别.经过在中国科学院自动化研究所CASIA步态数据库上进行实验,取得了很好的识别效果,实验结果表明,与单一特征的步态识别方法相比,融合后算法的识别率提高了约10%.
简介:摘要:最初的WSOD方法主要基于实例学习(Multiple-In⁃stanceLearning,MIL),这包括使用影像作为套装程式(肯定套装程式至少包含一个肯定执行处理,否定套装程式的所有执行处理都是否定执行处理)、使用物件建议作为执行处理,以及使用这些套装程式产生低监督目标感测器。MIL标准将点值低于指定点但很可能为负值的对象实例计算在内。在这种情况下,选定对象实例的外观和大小略有不同,因此无法创建更敏感的检测分类。您也可以在训练期间选取遗失的实体做为负数实体,以进一步减少分类器的侦测。为了解决这个问题,最近的研究人员拥有一个全面的MIL网络,如 ocr(online instance class lock-finish)、PCL(ProposalClusterLearning)和其他基于CNN的强大学习能力。在端到端MIL网络中,变体分类问题被认为是学习集成模型(映像)时的潜在问题。使用成员名称培训分类,您可以区分正负成员,并获得最积极的结果。但是,由于WSOD图像中没有对象实例级别的标签,因此WSOD方法和fullyuplevelelevationlabeldetection(fsod)方法之间的性能差异很大。本文主要分析特征融合与分割引导的弱监督目标检测。